Escolar Documentos
Profissional Documentos
Cultura Documentos
CURSO DE ADMINISTRAÇÃO
CAMPINA GRANDE
2021
JAIANY ROCHA TRINDADE
CAMPINA GRANDE
2021
FICHA CATALOGRÁFICA
BANCA EXAMINADORA
______________________________________________________
Coorientadora: Profa. Laura Maria Aguiar Costa, M. Sc.
CAMPINA GRANDE
2021
1
As ferramentas de Inteligência Artificial estão cada vez mais presentes no dia a dia das organizações,
sobretudo, auxiliando na compreensão do comportamento do consumidor. Nesta perspectiva, os
Sistemas de Recomendação estão se tornando essenciais para a estratégia, contudo, ao verificarmos os
estudos na área, principalmente os que consideram a perspectiva do usuário observa-se um gap. O
objetivo foi analisar as opiniões dos usuários da Netflix sobre os conteúdos indicados pelos sistemas de
recomendação da plataforma e sua relação com a satisfação. A partir de uma modelagem de equações
estruturais com estimação por mínimos quadrados parciais, a pesquisa envolveu a aplicação de um
survey online junto aos usuários da Netflix, obtendo-se uma amostra de 429 respondentes. Os resultados
evidenciaram que a variedade das recomendações influencia positivamente a percepção dos usuários
quanto a qualidade do conteúdo e a eficácia e entretenimento da plataforma. Verificou-se ainda que a
eficácia e entretenimento se relacionam positivamente com a satisfação do usuário, contudo, o mesmo
não aconteceu com a qualidade do conteúdo. Portanto, conclui-se que variedade, qualidade do conteúdo,
e eficácia e entretenimento dos sistemas de recomendações da Netflix exercem influência na opinião de
seu usuário, contribuindo para a sua experiência, e consequentemente, a satisfação. O estudo contribui
para uma melhor compreensão acerca da utilização da inteligência artificial, principalmente, dos
sistemas de recomendação para a satisfação dos usuários, fornecendo insights para um campo de estudos
ainda incipiente.
ABSTRACT
Artificial Intelligence tools are increasingly present in the organizations’ daily lives, mainly, helping to
understand consumer’s behavior. In this perspective, Recommender Systems are becoming essential to
the strategy, however, when looking at studies in the area, especially those that consider the user's
perspective, a gap is observed. The objective was to analyze the Netflix users’ opinion about the contents
indicated by the platform's recommendation systems and its relationships with satisfaction. From a
structural equation modeling with partial least squares estimation, the research involved the application
of an online survey with the Netflix users, obtaining a sample of 429 respondents. The results showed
that the variety of recommendations positively influences users' perception content’s quality and the
1
Graduanda em Administração na Universidade Federal de Campina Grande, Brasil (UFCG). E-mail:
rtjaiany@gmail.com
2
Doutor em Administração pela Universidade Federal da Paraíba, Brasil (UFPB). Professor Titular na UFCG.
Tutor do PET Administração UFCG e Líder do grupo de pesquisas Gestão de Negócios e Competitividade. E-
mail: elmanopc@gmail.com
3
Doutoranda em Administração pela Universidade Federal da Paraíba (UFPB). Professora na UFCG. Mestre em
Administração pela Universidade Federal da Paraíba, Brasil (UFPB). E-mail: laura.aguiar27@gmail.com
2
effectiveness and entertainment of the platform. It was also found that effectiveness and entertainment
are positively related to user’s satisfaction, however, the same did not happen with content quality.
Therefore, it is concluded that variety, content’s quality, and effectiveness and entertainment of Netflix's
recommendation systems influence the opinion of its users, contributing to their experience, and
consequently, satisfaction. The study contributes to a better understanding of the use of artificial
intelligence, especially, recommendation systems for user’s satisfaction, providing insights for a still
incipient field of studies.
Keywords: Netflix. Recommender Systems. Artificial Intelligence. Customer satisfaction.
SEM-PLS.
1. Introdução
2. Fundamentação Teórica
4
Para melhor compreenção da Inteligência Artificial (IA), faz-se necessário resgatar suas
origens, que, no decorrer de sua história, foi evoluindo a partir de suas aplicações. Nesse
sentido, verifica-se um consenso entre os pesquisadores do campo de que seu aparecimento
como disciplina científica ocorreu após a Segunda Guerra Mundial, mais precisamente em
1956, na conferência em Darthmouth (Calsey, 1997; Ginsberg, 1997; Russel & Norvig, 2010).
Hoje, entende-se que a IA busca implementar numa máquina a possibilidade de realizar
tarefas que requerem inteligência e de maneira muito similar as pessoas, que as realizam
atingindo metas específicas por meio de adaptação flexível (Kaplan & Haenlein, 2019; Brei,
2020). Pode-se observar no desenvolvimento da história da IA (Figura 01), que a partir dos
anos 2000, houve um crescimento significativo, em face da evolução computacional e da
popularização da internet (Huawei, 2021).
Figura 01
Visão geral do desenvolvimento da IA
Figura 02
Evolução dos estudos sobre a IA
Em ML os dados são condição sine qua non para o seu desenvolvimento, por meio
desses, os algoritmos são capazes de melhorar automaticamente, aprendendo e realizando
previsões (Dzyabura & Yoganarasinhan, 2018). Já a DL, é uma abordagem de ML, que visa
reunir conhecimento a partir de dados, formando assim uma hierarquia que permite a
aprendizagem computacional de conceitos complexos a partir de outros mais simples, de forma
a garantir uma aprendizagem mais profunda (Goodfellow et al., 2016).
Na perspectiva do marketing, a IA vem colaborando para uma maior aproximação entre
os clientes e as empresas (Schipmann, 2019; Davenport et al., 2020; Kumar et al., 2020; Rust,
2020), principalmente quando se consideram os possíveis impactos no comportamento do
consumidor e em seu processo decisório, a partir de uma experiência única e um conteúdo
totalmente personalizado (Jarek & Mazurek, 2019; Marinchak et al., 2018; Schipmann, 2019;
Steinhoff et al., 2019; Brei, 2020; Davenport et al., 2020).
O marketing tem-se utilizado da IA para o direcionamento de conteúdo. Assim,
produtos/serviços são apresentados no momento certo, personalizado e muitas vezes com
indicativos de preferências que chamam a atenção, já que um algoritmo trabalhou previamente
para que estas informações precisas cheguem facilmente ao potencial cliente (Kumar et al.,
2016; Wirth, 2018; Campbell et al. 2019; Libai et al., 2020).
A partir desses algoritmos de ML, os Sistemas de Recomendação (SR) atuam na
previsão do comportamento de consumo. Além disso, vêm sendo utilizados para lembrar os
consumidores sobre uma necessidade específica, como também conseguem, por meio de
informações previamente rastreadas, elaborar a melhor estratégia de indução de compra para
aquele determinado consumidor ou grupo de consumidores (Syam & Sharma, 2018; Overgoor
et al., 2019; Zhang et al., 2021).
6
4
Época Negócios. (2006). Netflix oferece US$1 milhão para quem criar sistema de recomendação mais
eficiente. http://colunas.revistaepocanegocios.globo.com/tecneira/2009/09/21/netflix-oferece-us1-milhao-para-
quem-criar-sistema-de-recomendacao-mais-eficiente/
7
de lançamento, etc; (4) o horário em que o usuário assiste; (5) os aparelhos utilizados para
assistir; e (6) por quanto tempo o usuário assiste (Netflix, 2021).
Contudo, a Netflix não tem utilizado os SR apenas para direcionamento de conteúdo,
mas também para a sua produção. Em 2008, a empresa anunciou um plano para entrar no
mercado de programação original, onde a série House of Cards (2013 - 2018) foi um dos
primeiros grandes casos de teste dessa estratégia criativa baseada em big data (Leonard, 2013).
Diante disso, seu novo algoritmo atua como um componente central de sua estratégia de
marketing (Valiati, 2018), identificando padrões complexos embutidos nos dados, analisando
o comportamento passado para prever o futuro, contribuindo na elaboração de estratégias para
sensibilizar o público-alvo (Postmus & Bhulai, 2018).
Todavia, ao observar os estudos sobre os SR, estes em sua grande maioria se utilizam
de testes A/B, realizando comparações de desempenho entre SR, ou na criação de novos
modelos (e.g. Subbian et al., 2016; Seo et al., 2017; Hwangbo & Kim, 2019; Esmaeili et al.,
2020), além destes há outros que são de difícil replicação (e.g. Camerer et al., 2018). Além
disso, alguns trabalhos empíricos vem demonstrando que a utilização desses sistemas
contribuem diretamente para a satisfação (e.g. Knijnenburg et al., 2012; Garcia-Gathright et al.,
2018; Li et al., 2018).
Para Oliver (1981) a satisfação do cliente é conceituada como a avaliação pós-consumo
da empresa ou marca e/ou suas ofertas, dependendo do valor percebido, da qualidade e
expectativas. A satisfação pode ser definida como um julgamento do cliente de que um produto
ou serviço fornece nível prazeroso de realização relacionada ao consumo (Zeithaml et al.,
2003). Para Castro e Ribeiro (2005) a satisfação refere-se a avaliação do consumidor sobre a
compra e experiência de consumo de um produto, serviço ou fornecedor. Enquanto para Wicks
e Roethlein (2009) significa fornecer bens e serviços que criam níveis específicos de valor
percebido para o cliente, de modo que o cliente permaneça engajado positivamente com a
organização.
Nesta perspectiva, diversos estudos apresentam diferentes construtos como
antecedentes da satisfação do usuário a partir da utilização da IA (e.g. Knabke & Olbrich, 2017;
Chung et al., 2018; Brill et al., 2019; Arzu, 2020; Chen et al., 2021; Gelbrich et al., 2021) logo,
atributos como a qualidade do produto/serviço, a experiência de uso, desempenho, facilidade
de uso, segurança, entre outros, atuam como mediadores da satisfação. Assim, o modelo
proposto por Knijnenburg et al. (2012) busca realizar uma avaliação centrada no usuário,
considerando todo o processo da sua experiência e o que o leva a satisfação, por meio do uso
dos sistemas de recomendação.
8
Para isso, o modelo tem como base de sua estrutura, as características pessoais que
incluem dados demográficos, confiança, conhecimento do domínio e controle percebido
(Fishbein & Ajzen, 1975). A experiência e a interação, estão relacionadas diretamente às
atitudes no Technology Acceptance Model (TAM) (Davis, 1989). Além disso, o modelo
fundamenta-se nas estruturas de Venkatesh et al. (2003) e Xiao e Benbasat (2007),
demonstrando que a experiência e a interação normalmente dependem de características
pessoais e situacionais.
O modelo também tem como base o User experience Model (UX) (Hassenzahl, 2005),
para avaliar os aspectos objetivos do sistema (algoritmos usados, design visual e interação,
forma como são apresentadas as recomendações e os recursos adicionais); os aspectos
subjetivos do sistema (características pragmáticas e características hedônicas). Por fim, as
caracteristicas situacionais, as quais dependem do contexto da interação; em diferentes
momentos, os usuários podem ter diferentes objetivos de escolha, preocupações de confiança,
privacidade e familiaridade com o sistema (McNee et al., 2006).
Portanto, para este estudo serão utilizados os construtos: eficácia e entretenimento,
qualidade de conteúdo, e variedade, presentes no modelo de Knijnenburg et al. (2012),
conforme apresentados na sequência.
Variedade se refere às percepções dos indivíduos quanto à variedade do conteúdo
disponibilizada pelo sistema de recomendação (Ziegler et al., 2005). Na Netflix, essa variedade
pode ser evidenciada a partir do tipo de conteúdo que é entregue ao público, a partir das
recomendações, seja em conteúdos de mesmo gênero, mas diferentes entre si, ou em conteúdos
de gêneros diferentes.
Estudos relevam que a percepção da variedade das recomendações é um mediador
importante na previsão dos efeitos dos aspectos subjetivos do sistema: qualidade de conteúdo
e eficácia e entretenimento (Tam & Ho, 2005; Komiak & Benbasat, 2006; Knijnenburg et al.,
2010). Logo, assume-se que:
H1: A variedade do sistema de recomendação está relacionada positivamente com a qualidade do
conteúdo da Netflix.
H2: A variedade do sistema de recomendação está relacionada positivamente com a eficácia e
entretenimento da Netflix.
Qualidade do conteúdo é um construto que visa mensurar às percepções dos indivíduos
quanto à qualidade do conteúdo oferecida pelo sistema de recomendação da plataforma (Bollen
et al., 2010). Em vista da produção de conteúdo independente realizada pela Netflix, a qualidade
do conteúdo pode ser considerada até um diferencial, uma vez que a empresa se utiliza da
9
preferência dos usuários, para lançar novos filmes, séries, documentários, entre outros (Valiati,
2018).
Então, à medida que o usuário percebe qualidade na recomendação, isto o leva a realizar
uma avaliação mais positiva do sistema, uma maior satisfação com os itens escolhidos, além de
perceber uma maior eficácia e entretenimento para o conteúdo recomendado (Kamis & Davern,
2004; Hu & Pu, 2010; Knijnenburg et al., 2011). Por isso, propõe-se as seguintes hipóteses:
H3: A qualidade do conteúdo da Netflix está relacionada positivamente com a eficácia e entretenimento
da Netflix.
H4: A qualidade do conteúdo da Netflix está relacionada positivamente com a satisfação do usuário.
A Figura 03 apresenta este modelo com as hipóteses centrais deste estudo.
Figura 03
Modelo Conceitual proposto
3. Procedimentos Metodológicos
A presente pesquisa tem como objetivo analisar as opiniões dos usuários da Netflix
sobre os conteúdos indicados pelos sistemas de recomendação da plataforma e sua relação com
a satisfação, assumindo natureza quantitativa de caráter descritivo. O estudo, pode ser
classificado como de corte transversal, mensurando características em um único ponto no
tempo, e do tipo correlacional, posto que não houve de forma deliberada a manipulação de
variáveis, e sim a obtenção dos dados por meio do instrumento de coleta estruturado.
10
Tabela 01
Domínios dos construtos da pesquisa
CONSTRUTO DEFINIÇÃO VARIÁVEIS
VAR1 - Vários conteúdos na lista de recomendações são
muito diferentes um do outro.
Refere-se às percepções
VAR2 - A lista de conteúdos recomendados tem uma
Variedade dos individuos quanto à
variedade alta.
(Knijnenburg et variedade do conteúdo
VAR3 - A lista de conteúdos recomendados não era muito
al., 2012) disponibilizada pelo
semelhante.
sistema de recomendação.
VAR4 - Gostei de cada um dos conteúdos recomendados
pelo sistema de recomendação.
QC1 - Gosto da lista de recomendações.
QC2 - Gosto de assistir os conteúdos escolhidos pelo
Refere-se às percepções sistema de recomendação para mim.
Qualidade de
dos indivíduos quanto à QC3 - Os conteúdos escolhidos se encaixam na minha
conteúdo
qualidade do conteúdo preferência.
(Knijnenburg et
oferecida pelo sistema de QC4 - Alguns dos conteúdos escolhidos pelo sistema de
al., 2012)
recomendação. recomendação podem se tornar parte dos meus favoritos.
QC5 - Eu recomendo alguns dos conteúdos escolhidos para
mim a outras pessoas.
11
entre as variáveis e os indicadores correspondentes. Desse modo, como sugerido por Fornell e
Larcker (1981) e Hair et al. (2015), a partir de uma análise fatorial confirmatória (AFC), foram
acessadas a confiabilidade, a validade convergente e a discriminante das escalas, e a seguir, a
modelagem estrutural foi realizada. É importante mencionar que para auxiliar nos
procedimentos de análise o único software estatístico utilizado foi o The R Project for Statistical
Computing – R, Version 4.1.2. para Windows.
4. Resultados e Discussão
Conforme mencionado anteriormente, a amostra desta pesquisa foi composta pelos
usuários maiores de 18 anos da Netflix, correspondendo a 429 respondentes. O perfil dos
respondentes pode ser observado na Tabela 02, ressalta-se que talvez o baixo número de
conteúdos assistidos seja reflexo do binge watching, prática comum na plataforma (Aguiar-
Costa, 2019).
Tabela 02
Perfil dos respondentes
ESTATÍTICA DESCRITIVA
VARIÁVEIS CATEGORIAS
N (= 429) %
Feminino 283 65,9
Sexo Maculino 142 33,2
Não informou 4 0,9
Tabela 03
Resultados da análise fatorial confirmatória
CARGAS
CONSTRUTOS VARIÁVEIS Cronbach’s α CR AVE
FATORIAIS
EE1 0.831
EE2 0.890
EE3 0.815
Eficácia e
EE4 0.883 0,931 0,945 0.709
Entretenimento (EE)
EE5 0.871
EE6 0.773
EE7 0.828
QC1 0.812
QC2 0.837
Qualidade do
QC3 0.844 0,860 0,900 0.644
Conteúdo (QC)
QC4 0.811
QC5 0.700
VAR2 0.632
Variedade (VAR) 0,424 0,759 0.620
VAR4 0.917
SAT1 0.852
SAT2 0.914
Satisfação (SAT) 0,904 0,933 0.777
SAT3 0.876
SAT4 0.883
Fonte: Elaborado pelos autores.
As AVE mensuradas se mantiveram acima de 50%, variando entre 62,0 e 77,7%, o que
garante que este modelo de mensuração alcançou a validade convergente. Além disso, a
validade discriminante foi acessada a partir do critério de Fornell e Larcker (1981). Assim,
conforme exposto na Tabela 04, as raízes quadradas das variâncias médias extraídas (destacadas
na diagonal) são notadamente superiores que o coeficiente de determinação dos construtos, o
que sustentou a validade discriminante. Portanto, dados esses resultados, pode-se concluir que
o modelo de mensuração apresenta adequação da confiabilidade, da validade convergente e da
validade discriminante.
Tabela 04
Validade discriminante da mensuração do modelo e estatísticas descritivas
Qualidade Eficácia e
Construtos Mediana Desvio-padrão Variedade Satisfação
do Conteúdo Entretenimento
Variedade 4,5 1,06 0.787 0.188 0.314 0.419
Eficácia e
4,7 1,36 0.842
Entretenimento
Fonte: Elaborado pelos autores.
Após viabilizar a continuação da pesquisa, o passo seguinte correspondeu às análises
descritivas dos construtos latentes. Conforme visualizado na Tabela 04, a mediana acerca da
15
Variedade (4,5) pode indicar que os usuários percebem uma variedade nos conteúdos
recomendados pela plataforma.
Nesta perspectiva, percebe-se um nível elevado na mediana da Qualidade do Conteúdo
(5,2), evidenciando que os conteúdos indicados pelo sistema de recomendação da Netflix, estão
alinhados com as preferências dos usuários. Além disso, no que se refere a Eficácia e
Entretenimento, sua mediana (4,7) pode indicar à utilização da plataforma como forma de
diversão para os usuários, além de ser útil na recomendação de conteúdos.
Por fim, a Satisfação apresentou a maior mediana entre os construtos avaliados (6,0),
sugerindo que os usuários estão satisfeitos quanto aos serviços de streaming oferecidos pela
Netflix.
A qualidade do ajuste do modelo conceitual proposto foi avaliada por meio dos
seguintes indicadores: NFI (índice de ajuste normalizado), e SRMR (raiz quadrada média
residual padronizado). O NFI representa uma medida de ajuste incremental, resultando em
valores entre 0 e 1, sendo assim, quanto mais próximo de 1, melhor o ajuste (Kline, 2011). Já o
SRMR permite avaliar a magnitude média das discrepâncias entre as correlações observadas e
esperadas como uma medida absoluta do critério de ajuste (modelo) (Hu & Bentler, 1999). Um
valor inferior a 0,10 ou de 0,08, é considerado um bom ajuste. No geral, os índices mostraram
um bom ajuste do modelo, NFI = 0,865, SRMR = 0,058.
Nesta perspectiva foi verificada a acurácia e a capacidade preditiva do modelo
estrutural. O coeficiente de determinação (R²) assume um valor variável entre 0 e 1 e é comum
que em pesquisas acadêmicas se adote padrões de valores próximos de 0,75, 0,50 e 0,25 para o
R² como forma de mensurar acurácias substanciais, moderadas e fracas, respectivamente (Hair
et al., 2015). Além disso, foi realizado o cálculo da relevância preditiva, realizado pela técnica
de blindfolding (Q²), onde valores maiores que 0 indicam que os construtos exógenos possuem
relevância preditiva sobre os construtos endógenos (Hair et al., 2015). Sendo assim, a Tabela
05 demonstra os resultados dos testes de relevância e acurácia para o modelo estrutural em
estudo.
Tabela 05
Resultados do teste de relevância e acurácia
Construtos R2 Q2
Eficácia e Entretenimento 0.731 0.513
Qualidade do Conteúdo 0.314 0.198
Satisfação 0.250 0.191
Fonte: Elaborado pelos autores.
16
A partir destes resultados, verifica-se adequação do modelo proposto, e assim, pôde ser
iniciada a etapa do teste das hipóteses. Para melhor visualização dos resultados, a Tabela 06
apresenta as hipóteses postuladas e os valores obtidos.
Tabela 06
Resultados do teste de hipóteses
Hipóteses Path coefficients T-Statistics p-values Resultado
H1: Variedade => Eficácia e
0.269 7.976 .000 Suportada
Entretenimento
H2: Variedade => Qualidade do
0.560 16.569 .000 Suportada
Conteúdo
H3: Qualidade do Conteúdo =>
0.674 22.938 .000 Suportada
Eficácia e Entretenimento
H4: Qualidade do Conteúdo =>
0.028 0.324 .746 Não Suportada
Satisfação
H5: Eficácia e Entretenimento =>
0.476 6.153 .000 Suportada
Satisfação
Fonte: Elaborado pelos autores.
A variedade do conteúdo percebida influencia significativamente a eficácia e
entretenimento (β = 0.269, p < 0.001) e a qualidade do conteúdo dos sistemas de recomendação
da Netflix (β = 0.560, p < 0.001), o que suporta as hipóteses H1 e H2, respectivamente. Do
mesmo modo, a qualidade do conteúdo apresenta influência positiva significativa na eficácia e
entretenimento (β = 0.674, p < 0.001), suportando a hipótese H3.
A qualidade do conteúdo indicado pelos sistemas de recomendação da Netflix não se
mostrou significativamente relacionada com a satisfação (β = 0.028, p = 0.746), portanto, a
hipótese H4, não foi suportada. Contudo, a eficácia e entretenimento da plataforma se mostrou
estatisticamente significativa na relação com a satisfação do usuário da Netflix (β = 0.476, p <
0.001), o que suportou a hipótese H5. A Figura 04 mostra os resultados destas relações causais.
Figura 04
Relação causal entre os construtos do modelo
5. Conclusões
Este trabalho se propôs a analisar as opiniões dos usuários da Netflix sobre os conteúdos
indicados pelos sistemas de recomendação da plataforma e sua relação com a satisfação. Os
resultados revelam que a variedade das recomendações é precedente da qualidade do conteúdo
recomendado e da eficácia e entretenimento proporcionado pelo sistema. Ademais, o estudo
reitera achados provenientes de pesquisas anteriores que evidenciaram sua influência nesses
construtos (Tam & Ho, 2005; Komiak & Benbasat, 2006).
Os resultados indicaram ainda que a qualidade do conteúdo influencia positivamente a
eficácia e entretenimento da plataforma, no entanto, não é suficiente para afetar a satisfação dos
usuários da Netflix. Isto, talvez seja reflexo das diferentes percepções, uma vez que os sistemas
de recomendações entregam conteúdos diferentes para cada usuário, ou ainda outros aspectos
como a forma de avaliação podem ter afetado as recomendações em face de sua limitação.
Além disso, verificou-se o efeito da eficácia e entretenimento na satisfação do usuário,
demonstrando que a assertividade nas recomendações, bem como a percepção de que a
plataforma proporciona diversão e lazer podem contribuir positivamente para a satisfação dos
assinantes da Netflix. De modo semelhante, através dos comentários espontâneos dos
respondentes, em sua grande maioria positivos, sobre a organização e os sistemas de
recomendações é possível identificar uma coerência com os resultados.
20
Esta pesquisa ajuda a compreender de que modo fatores como variedade, qualidade do
conteúdo e eficácia e entretenimento fornecido pelos sistemas de recomendação de uma
plataforma de VoD interferem na satisfação do usuário. Logo, entende-se que o trabalho traz
contribuições para o campo de estudos envolvendo o comportamento do consumidor e a
utilização das ferramentas de inteligência artificial, sobretudo, dos sistemas de recomendações.
Portanto, conclui-se que variedade, qualidade do conteúdo, e eficácia e entretenimento dos
sistemas de recomendações da Netflix exercem influência na opinião de seu usuário,
contribuindo para a sua experiência, e consequentemente, se sintam satisfeitos com o serviço.
No que se refere às perspectivas gerenciais, é possível que os achados desta pesquisa
possam ser úteis a outras organizações que utilizam sistemas de recomendação como base de
seu modelo de negócio, sobretudo a Netflix, façam um uso mais eficaz de suas plataformas a
fim de proporcionar aos usuários uma melhor experiência de consumo, focando nos elementos
que contribuem para mantê-los satisfeitos e ativos.
Com relação às limitações do estudo, é válido destacar que não é possível generalizar
os achados encontrados, visto que a amostra utilizada foi do tipo não probabilística por
acessibilidade. Desta forma, é necessário prudência na tentativa de exploração dos resultados
para outros contextos.
Por fim, a pesquisa foi limitada apenas aos usuários da Netflix. No entanto, recomenda-
se que em estudos posteriores sejam utilizadas outras plataformas de VoD, para comparar os
resultados. Além disso, sugere-se a realização de Testes ANOVA de maneira com que ocorra
a análise das variâncias médias dos construtos contemplados neste estudo em relação às
variáveis sociodemográficas, resultando em um aprofundamento na caracterização do
comportamento dos indivíduos que compõem a amostra. Espera-se que o trabalho possa
estimular a realização de futuras pesquisas a fim de verificar antecedentes e demais
consequentes do comportamento do consumidor a partir da utilização de ferramentas de
inteligência artificial.
Referências
https://doi.org/10.1016/j.jbusres.2020.01.007
Li, L., Chen, J., & Raghunathan, S. (2018). Recommender system rethink: Implications for an
electronic marketplace with competing manufacturers. Information Systems Research,
29(4), 1003–1023. https://doi.org/10.1287/ISRE.2017.0765
Libai, B., Bart, Y., Gensler, S., Hofacker, C. F., Kaplan, A., Kötterheinrich, K., & Kroll, E. B.
(2020). Brave new world? On AI and the management of customer relationships. Journal
of Interactive Marketing, 51, 44-56.
Leonard, A. (2013). How Netflix is turning viewers into puppets.
http://www.salon.com/2013/02/01/how_netflix_is_turning_viewers_into_puppets/>.
Marinchak, C. M. D., Forrest, E., & Hoanca, B. (2018). Artificial intelligence: Redefining
marketing management and the customer experience. International Journal of E-
Entrepreneurship and Innovation, 8(2), 14–24. https://doi.org/10.4018/IJEEI.2018070102
Molina, G. (2020). Netflix: Os segredos da estrutura do império. Edição do Kindle.
Nanas, N., De Roeck, A., & Vavalis, M. (2009). What Happened to Content-Based Information
Filtering?. 5766. 10.1007/978-3-642-04417-5_23.
Netflix. (2021). Como funciona o sistema de recomendações da Netflix?.
https://help.netflix.com/pt/node/100639.
Oliver, R. L. (1981). Measurement and evaluation of satisfaction processes in retail settings.
Journal of Retailing, 57(3), 25–48.
Overgoor, G., Chica, M., Rand, W., & Weishampel, A. (2019). Letting the computers take over:
Using Ai to solve marketing problems. California Management Review, 61(4), 156–185.
https://doi.org/10.1177/0008125619859318
Paradarami, T. K., Bastian, N. D., & Wightman, J. L. (2017). A hybrid recommender system
using artificial neural networks. Expert Systems with Applications, 83, 300–313.
https://doi.org/10.1016/j.eswa.2017.04.046
Pommeranz, A., Broekens, J., Wiggers, P., Brinkman, W. P., & Jonker, C. M. (2012). Designing
interfaces for explicit preference elicitation: a user-centered investigation of preference
representation and elicitation process. User Model. User-Adap. Inter. 22 (2012).
doi:10.1007/s11257-011-9116-6
Postmus, S., & Bhulai, S. (2018). Recommender system techniques applied to Netflix movie
data. Reasearch Paper Business Analytics, Vrije Universiteit Amsterdam.
Randolph, M. (2019). That Will Never Work: The Birth of Netflix and the Amazing Life of an
Idea. Little, Brown and Company. Edição do Kindle.
Ricci, F., Shapira, B., & Rokach, L. (2015). Recommender systems handbook, Second edition.
In: Recommender Systems Handbook, Second Edition. https://doi.org/10.1007/978-1-
4899-7637-6
Russel, S., & Norvig, P. (2010). Artificial Intelligence: A modern approach. 3.ed. New Jersey:
Pearson Education.
Rust, R. T. (2020). The future of marketing. International Journal of Research in Marketing,
37(1), 15–26. https://doi.org/10.1016/j.ijresmar.2019.08.002
Schipmann, E. (2019). Artificial Intelligence : The cutting-edge technology that revolutionizes
the digital marketing. 11. https://essay.utwente.nl/78559/
Seo, Y. D., Kim, Y. G., Lee, E., & Baik, D. K. (2017). Personalized recommender system based
on friendship strength in social network services. Expert Systems with Applications, 69,
135–148. https://doi.org/10.1016/j.eswa.2016.10.024
Steinhoff, L., Arli, D., Weaven, S., & Kozlenkova, I. V. (2019). Online relationship marketing.
Journal of the Academy of Marketing Science, 47(3), 369–393.
https://doi.org/10.1007/s11747-018-0621-6
Subbian, K., Aggarwal, C., & Hegde, K. (2016). Recommendations for streaming data.
International Conference on Information and Knowledge Management, Proceedings, 24-
24
Apêndice I – Questionário
26